💻 computer science

Trajectory Planning for an Articulated Commercial Vehicle using Model Predictive Contouring Control

Dit artikel presenteert een uitgebreid Model Predictive Contouring Control (MPCC)-kader dat is toegespitst op gelede bedrijfsvoertuigen en scenario-afhankelijke prioritering van ankerpunten en expliciete meervoudige-as weggrensbeperkingen integreert om veilige en stabiele trajectplanning te waarborgen bij zowel voorwaartse als achteruit manoeuvres.

Oorspronkelijke auteurs: A. J. Aertssen, R. G. M. Huisman, I. J. M. Besselink, J. Elfring, M. J. G. van de Molengraft

Gepubliceerd 2026-04-28

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: A. J. Aertssen, R. G. M. Huisman, I. J. M. Besselink, J. Elfring, M. J. G. van de Molengraft

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert een enorme, 16 meter lange vrachtwagen met aanhangwagen te parkeren. Stel je nu voor dat je dit niet alleen in een rechte lijn doet, maar hem achteruit in een krappe laadplek manoeuvreert of een scherpe stadse hoek neemt. Als je een gewone auto zou rijden, zou je gewoon het stuur draaien en het midden van de rijbaan volgen. Maar bij een vrachtwagen met aanhangwagen is het alsof je probeert een strakke touw te lopen terwijl je een lange paal op je schouders draagt: het achterste deel volgt het voorste deel niet; het zwaait breed uit of snijdt de hoek op een gevaarlijke manier. Dit heet "off-tracking", en als je niet voorzichtig bent, kan de aanhangwagen als een accordeon tegen de cabine vouwen (een "jackknife"), of kunnen de wielen volledig van de weg raken.

Dit artikel presenteert een nieuw "brein" voor autonome vrachtwagens dat deze problemen oplost met behulp van een methode genaamd Model Predictive Contouring Control (MPCC). Hier is hoe het werkt, opgesplitst in eenvoudige concepten:

1. Het Probleem: Eén maat past niet bij iedereen

Voor gewone auto's kunnen bestaande computerprogramma's eenvoudig een pad plannen. Maar een vrachtwagen met aanhangwagen is een ander beest.

Het Grootteprobleem: Een vrachtwagen is enorm. Wanneer hij draait, steekt de voorkant uit in de tegenovergestelde rijbaan, en kunnen de wielen van de aanhangwagen over de stoep snijden.
Het Achteruitrijprobleem: Een vrachtwagen achteruitrijden is onstabiel. Het is alsof je probeert een bezemsteel op je hand in evenwicht te houden terwijl je achteruit loopt; één verkeerde beweging en hij valt om.
Het "Wie is de Baas?"-Probleem: Soms is het belangrijkste deel van het voertuig de aanhangwagen (zoals bij het achteruitrijden in een laadplek). Op andere momenten is het de voorkant van de vrachtwagen (zoals bij het naderen van een laadstation). De computer moet weten welk deel van het voertuig op elk gegeven moment prioriteit heeft.

2. De Oplossing: Een "Virtueel Touw" en een "Magisch Touw"

De onderzoekers hebben een bestaand algoritme (MPCC) geüpgraded om deze specifieke vrachtwagenproblemen aan te pakken. Denk er zo over:

Het Virtuele Touw (Het Referentiepad): Stel je een touw voor dat op de grond ligt en het perfecte pad aangeeft dat de vrachtwagen zou moeten volgen.
Het Magische Touw (De Ankerpunten): In het verleden keken computers alleen naar één punt op het voertuig (zoals het midden van de achteras). Dit nieuwe systeem bevestigt "magische touwen" aan drie specifieke plekken: de voorkant van de vrachtwagen, de achterkant van de vrachtwagen en de achterkant van de aanhangwagen.
Situatieafhankelijke Prioriteiten: Het systeem kan de focus op deze touwen strakker of losser maken.
- Aanleggen: Het maakt het touw op de achterkant van de aanhangwagen strakker, zodat de aanhangwagen perfect in de laadplek terechtkomt, zelfs als de vrachtwagen breed moet zwaaien.
- Rij op de snelweg: Het houdt alle touwen strak, zodat het hele voertuig gecentreerd blijft in de rijbaan.

3. Het Veiligheidsnet: Alle Wielen Op de Weg Houden

De grootste innovatie hier is dat de computer niet alleen controleert of het midden van de vrachtwagen veilig is. Het controleert individueel de voorwielen, de achterwielen van de vrachtwagen en de wielen van de aanhangwagen.

Stel je voor dat je een lange boot door een smal kanaal vaart. Als je alleen naar het midden van de boot kijkt, denk je misschien dat je veilig bent, maar de boeg (voorkant) of het achterschip (achterkant) kan tegen de muren schuren. Dit systeem tekent een "corridor" voor de weg en zorgt ervoor dat elk enkel wiel binnen die corridor blijft, waardoor wordt voorkomen dat de vrachtwagen tegen de stoepranden stoot of tegen obstakels rijdt.

4. De Resultaten: De Theorie Testen

De onderzoekers hebben dit "brein" op twee manieren getest:

Computersimulaties: Ze creëerden een virtuele wereld waarin de vrachtwagen moest rijden naar de erf van een klant, een scherpe hoek moest nemen en achteruit moest in een laadplek. Het systeem slaagde erin zowel vooruit als achteruit te navigeren zonder dat de aanhangwagen jackknifde of de wielen de weg verlieten.
Reëel Wereldprototype: Ze plaatsten de software op een echt, volwaardig prototype van een vrachtwagen. De vrachtwagen volgde het geplande pad succesvol in de echte wereld, wat bewijst dat de wiskunde werkt op echt metaal en rubber.

De Kernboodschap

Dit artikel zegt niet alleen "we kunnen een vrachtwagen rijden". Het zegt: "We kunnen een computer leren een vrachtwagen te rijden door elk deel van het voertuig te observeren, niet alleen het midden, en door te weten welk deel van het voertuig op elk specifiek moment het belangrijkst is."

Door de "gewichten" aan te passen (hoeveel de computer om de aanhangwagen versus de vrachtwagen geeft), kan het systeem optreden als een voorzichtige bestuurder die achteruitrijdt in een krappe plek of als een soepele bestuurder die over de snelweg cruist, terwijl het tegelijkertijd elke wiel veilig binnen de lijnen houdt.

Hier volgt een gedetailleerde technische samenvatting van het paper "Trajectory Planning for an Articulated Commercial Vehicle using Model Predictive Contouring Control."

1. Probleemstelling

Het paper adresseert de uitdaging van autonome trajectplanning voor gearticuleerde commerciële voertuigen (specifiek trekker-aanhangwagens) in complexe logistieke scenario's. In tegenstelling tot personenauto's staan deze voertuigen voor unieke moeilijkheden:

Afmetingen en Geometrie: Ze zijn aanzienlijk groter (ongeveer 16,5 m lengte) en vertonen offtracking, waarbij de aanhangwagen een ander pad volgt dan de trekker, wat vaak leidt tot het afsnijden van hoeken door de binnenwielen of het binnendringen van de buitenwielen in aangrenzende rijbanen.
Instabiliteit: Achteruit manoeuvres zijn vatbaar voor jackknifing (instabiel vouwen van het scharnierhoek).
Scenario-afhankelijke Prioriteiten: Verschillende rijtaken vereisen het prioriteren van verschillende "ankerpunten" op het voertuig. Tijdens het doken (aankoppelen) is de achterste positie van de aanhangwagen kritiek; tijdens het laden is de poort van de trekker kritiek; op snelwegen moeten beide centraal blijven.
Beperkingen van Bestaande Methoden: Standaard Model Predictive Contouring Control (MPCC) gebruikt voor auto's vereenvoudigt het voertuig vaak tot een enkel punt of gaat uit van een vast referentepad, waardoor het faalt rekening te houden met de complexe kinematica en grensvoorwaarden van articulerende voertuigen.

2. Methodologie

De auteurs stellen een uitgebreid Model Predictive Contouring Control (MPCC)-kader voor dat is toegespitst op trekker-aanhangwagens.

A. Voertuigmodelleren

Kinematisch Model: Een kinematisch fietsmodel wordt gebruikt voor de trekker, gekoppeld aan de aanhangwagen via een scharnierpunt.
Toestandsvector: De toestand omvat de positie van de trekker $(x_1, y_1)$ , koershoeken ( $\psi_1, \psi_2$ ), snelheid ( $v_1$ ) en stuurhoek ( $\delta_0$ ).
Aangevulde Toestanden: Cruciaal introduceert het model drie onafhankelijke voortgangsstaten ( $\theta_0, \theta_1, \theta_2$ $θ_{0}, θ_{1}, θ_{2}$ ) die overeenkomen met drie ankerpunten:
1. Vooras trekker ( $i=0$ )
2. Achteras trekker ( $i=1$ )
3. As aanhangwagen ( $i=2$ )
  Elk ankerpunt heeft zijn eigen virtuele snelheid ( $v_{\theta}$ ) om de afgelegde afstand langs het referentepad te benaderen.

B. Optimalisatieformulering

Het probleem wordt geformuleerd als een beperkt niet-lineair optimalisatieprobleem dat een kostenfunctie $J$ minimaliseert, onderworpen aan dynamica en beperkingen:

Doelfunctie ( $J_m$ ): Minimaliseert contourfout (zijdelingse afwijking van het pad) en lag-fout (longitudinale afwijking) voor elk ankerpunt, terwijl de padsnelheid wordt gemaximaliseerd.
- Kerninnovatie: Scenario-afhankelijke weging maakt het mogelijk voor de planner om specifieke ankerpunten te prioriteren (bijvoorbeeld het verhogen van de weging $q_{c,2}$ voor de aanhangwagen tijdens het doken).
Comfortterm ( $J_c$ ): Straft hoge versnelling en stuursnelheden af om het comfort van passagiers/lading te waarborgen.
Beperkingen:
- Kinematische/Dynamische Grenzen: Grenzen voor stuurhoek, stuursnelheid, snelheid en versnelling.
- Weggrenzen: Expliciete beperkingen worden toegepast op alle drie ankerpunten om ervoor te zorgen dat de vooras van de trekker, de achteras van de trekker en de as van de aanhangwagen allemaal binnen het berijdbare corridor blijven (gedefinieerd door linker/rechter grenzen). Dit voorkomt dat het "geveegde pad" botst met obstakels.
- Veiligheid: Beperkingen op zijdelingse versnelling om kantelen te voorkomen.

C. Implementatie

De solver gebruikt een terugkoppelend horizon-schema geïmplementeerd in Python met CasADi en de IPOPT-solver.
De voorspellingshorizon is ingesteld op 15 seconden, wat een evenwicht biedt tussen rekenlast (ongeveer 100 ms per iteratie) en voldoende vooruitkijkafstand voor zowel voorwaartse als achterwaartse manoeuvres.

3. Belangrijkste Bijdragen

Uitgebreide MPCC voor Gearticuleerde Voertuigen: De eerste toepassing van MPCC op trekker-aanhangwagens, waarmee de beperkingen van eerdere methoden worden overwonnen die het voertuig als een enkel punt behandelden.
Multi-Ankerpunt Beperkingsformulering: De expliciete formulering van weggrensbeperkingen voor de vooras van de trekker, de achteras van de trekker en de as van de aanhangwagen gelijktijdig. Dit zorgt ervoor dat het volledige geveegde pad van het voertuig binnen de berijdbare grenzen blijft, wat jackknifing en off-tracking botsingen voorkomt.
Scenario-afhankelijke Prioritering: De mogelijkheid om optimalisatiewegingen dynamisch aan te passen om specifieke voertuigonderdelen te prioriteren (bijvoorbeeld aanhangwagen voor doken versus trekker voor laden) zonder de onderliggende algoritme-structuur te wijzigen.
Validatie: Succesvolle simulatie en real-world testen op een full-scale prototype.

4. Resultaten

Simulatiescenario's: Het algoritme werd getest in een logistiek scenario met een bocht van 90 graden en een ingang op het terrein van een klant (voorwaarts en achterwaarts).
- Succes: Het voertuig navigeerde het corridor succesvol in beide richtingen zonder jackknifing of het verlaten van het berijdbare gebied.
- Noodzaak van Beperkingen: Wanneer de beperkingen voor de aanhangwagen werden uitgeschakeld, resulteerde de simulatie in het afsnijden van hoeken door de aanhangwagen (voorwaarts) of jackknifing (achterwaarts), wat de noodzaak van multi-punt beperkingen bewijst.
- Weginggevoeligheid: Het variëren van de weging $q_{c,2}$ (prioriteit aanhangwagen) toonde aan dat hogere wegingen de zijdelingse afwijking van de aanhangwagen verminderden, maar vereisten dat de trekker agressiever stuurde en vertraagde om aan de zijdelingse versnellingslimieten te voldoen.
Real-world Prototype: De methode werd geïmplementeerd op een full-scale DAF trekker-aanhangwagen prototype. Het voertuig volgde het geplande traject succesvol in een echte omgeving, wat de praktische toepasbaarheid bevestigde.

5. Betekenis

Dit werk overbrugt een kritieke kloof tussen autonome planning voor personenauto's en de complexe behoeften van zware logistiek. Door MPCC uit te breiden om articulerende kinematica en multi-punt grensvoorwaarden te hanteren, bieden de auteurs een robuuste oplossing voor:

Veiligheid: Het voorkomen van jackknifing en het waarborgen dat alle wielen binnen de rijbaangrenzen blijven.
Efficiëntie: Het mogelijk maken van autonoom doken en achteruitrijden in krappe ruimten, wat momenteel een grote knelpunt is in logistieke automatisering.
Flexibiliteit: Het bieden van een unifyend controlekader dat zich aanpast aan verschillende operationele modi (doken, laden, snelwegrijden) via eenvoudige parameterinstellingen in plaats van algoritmische herschrijvingen.

Het paper concludeert dat hoewel het construeren van robuuste berijdbare corridors in dynamische omgevingen een uitdaging blijft, de voorgestelde MPCC-uitbreiding een belangrijke stap is naar volledig autonome articulerende commerciële voertuigen.